A quantity is never an entity

crates/utopia-extract/src/lib.rs

@@ -809,6 +809,57 @@ pub fn parse_quantity(s: &str) -> Option<(f64, Option<String>)> {
     Some((n, unit))
 }
 
+/// 开头是一个量、后面还挂着词的 → 那个量。`"1,250 people"` → (1250, "people")。
+///
+/// **这是给已经知道要什么的地方用的**，与 `parse_quantity` 的严不是一回事。
+/// `parse_quantity` 要判「这串字是不是一个东西」，判错就把一个真实体吃掉，
+/// 所以尾巴上有实词一律不认。而这里的调用方手上已经有一条声明了
+/// `datatype = number` 的属性——问的不再是「是不是数」，是「那个数是多少」，
+/// 判错的代价只是一个值不对，量级差着好几档。
+///
+/// 实测卡住的正是这一格：本体里有 `employeeCount (number)`、事实写着
+/// `employee_count → "1,250 people"`，词对得上、属性也在，只因为模型把单位
+/// 写进了值里就一直换不动，那条事实永远拿不到谓词。
+pub fn parse_leading_quantity(s: &str) -> Option<(f64, Option<String>)> {
+    let s = s.trim();
+    // 整体就是一个量的先按严的那套解——`$5 billion` 的单位是 `$` 不是 `billion`
+    if let Some(hit) = parse_quantity(s) {
+        return Some(hit);
+    }
+    let mut parts = s.split_whitespace();
+    let head = parts.next()?;
+    // 数字与紧跟着的百分号／单位可能不分家：`42%`、`8GW`
+    let split = head
+        .char_indices()
+        .find(|(_, c)| !matches!(c, '0'..='9' | '.' | ',' | '_' | '-' | '+'))
+        .map(|(i, _)| i)
+        .unwrap_or(head.len());
+    let (num, glued) = head.split_at(split);
+    let cleaned: String = num.chars().filter(|c| !matches!(c, ',' | '_')).collect();
+    let n: f64 = cleaned.parse().ok()?;
+    if !n.is_finite() {
+        return None;
+    }
+    // 紧贴着的记号优先当单位（`42%` → `%`），否则取后面第一个词
+    let mut rest = parts;
+    let (scale, unit) = if glued.is_empty() {
+        match rest.next() {
+            None => (1.0, None),
+            Some(w) => match w.to_ascii_lowercase().as_str() {
+                "thousand" => (1e3, rest.next().map(str::to_string)),
+                "million" => (1e6, rest.next().map(str::to_string)),
+                "billion" => (1e9, rest.next().map(str::to_string)),
+                "trillion" => (1e12, rest.next().map(str::to_string)),
+                _ => (1.0, Some(w.to_string())),
+            },
+        }
+    } else {
+        (1.0, Some(glued.to_string()))
+    };
+    let n = n * scale;
+    n.is_finite().then_some((n, unit))
+}
+
 /// 属性值按 datatype 归一。失败返回 None——宁缺勿脏，调用方跳过并记日志。
 /// number 容忍千分位/空格；date 要求 YYYY[-MM[-DD]] 且保留原精度；bool 宽容 yes/no。
 pub fn normalize_attr_value(datatype: &str, raw: &serde_json::Value) -> Option<serde_json::Value> {
@@ -826,7 +877,11 @@ pub fn normalize_attr_value(datatype: &str, raw: &serde_json::Value) -> Option<s
                     // 清洗解不动的再当量解：`$5 billion`、`52%` 这些整体就是数，
                     // 只是带着符号与量级词。单位不在这里落笔——它随事实走
                     // （见 `parse_quantity`），这一档只负责把值变成可比的数
-                    .or_else(|| parse_quantity(s).map(|(n, _)| n))
+                    // 清洗解不动的再当量解。**这一档已经声明了 datatype = number**，
+                    // 问的不是「是不是数」而是「那个数是多少」，所以用宽的那套：
+                    // `$5 billion` → 5e9，`1,250 people` → 1250，
+                    // `42% from customers in Europe` → 42
+                    .or_else(|| parse_leading_quantity(s).map(|(n, _)| n))
                     .filter(|f| f.is_finite())
                     .and_then(serde_json::Number::from_f64)
                     .map(serde_json::Value::Number)
@@ -1125,6 +1180,40 @@ mod tests {
         assert_eq!(parse_quantity("杭州"), None);
     }
 
+    #[test]
+    fn a_declared_number_reads_past_the_unit() {
+        // 属性已经声明了 datatype = number，问的是「那个数是多少」。
+        // 卡住过的两条都在这里
+        assert_eq!(
+            parse_leading_quantity("1,250 people"),
+            Some((1250.0, Some("people".into())))
+        );
+        assert_eq!(
+            parse_leading_quantity("42% from customers in Europe"),
+            Some((42.0, Some("%".into())))
+        );
+        assert_eq!(
+            parse_leading_quantity("3,400 people worldwide"),
+            Some((3400.0, Some("people".into())))
+        );
+        assert_eq!(
+            parse_leading_quantity("900 million weekly active users"),
+            Some((9e8, Some("weekly".into())))
+        );
+        // 整体就是量的仍走严的那套：单位是 `$`，不是 `billion`
+        assert_eq!(
+            parse_leading_quantity("$5 billion"),
+            Some((5e9, Some("$".into())))
+        );
+        // 开头不是数就还是不认
+        assert_eq!(parse_leading_quantity("about ten"), None);
+        assert_eq!(parse_leading_quantity(""), None);
+
+        // **严的那套一点没松**：它要判「是不是一个东西」，判错会吃掉真实体
+        assert_eq!(parse_quantity("1,250 people"), None);
+        assert_eq!(parse_quantity("2025 Atlantic hurricane season"), None);
+    }
+
     #[test]
     fn a_number_attribute_takes_a_written_quantity() {
         use serde_json::json;

crates/utopia-server/src/api/ontology_routes.rs

@@ -1391,6 +1391,43 @@ pub(crate) struct AttributeAdopted {
 }
 
 /// 建（或指向已有的）属性，并把等着它的字面值事实改挂过去。人工与自动共用。
+/// 等着这个说法的值**是不是清一色的量**；是的话给出它们共同的单位。
+///
+/// 判据要全体一致：混着 `$12 billion` 与 `chief executive` 的一批，
+/// 按 number 落地会把后者整条丢掉（换不动的不改写），那不如老实当 text。
+fn quantity_shape(facts: &[(Uuid, Option<Uuid>, serde_json::Value)]) -> Option<String> {
+    if facts.is_empty() {
+        return None;
+    }
+    let mut unit: Option<String> = None;
+    let mut agreed = true;
+    for (_, _, v) in facts {
+        let raw = v.get("value").unwrap_or(v);
+        let hit = match raw {
+            serde_json::Value::Number(_) => Some((0.0, None)),
+            serde_json::Value::String(s) => utopia_extract::parse_leading_quantity(s),
+            _ => None,
+        }?;
+        // 抽取那一步单记的单位更可信（`$5 billion` → `$`），没有再退回解出来的
+        let u = v
+            .get("unit")
+            .and_then(|u| u.as_str())
+            .map(str::to_string)
+            .or(hit.1);
+        match (&unit, u) {
+            (None, Some(u)) => unit = Some(u),
+            (Some(a), Some(b)) if *a != b => agreed = false,
+            _ => {}
+        }
+    }
+    // 全体都是量才走到这里；单位不一致就当没有单位，别挑一个塞上去
+    Some(if agreed {
+        unit.unwrap_or_default()
+    } else {
+        String::new()
+    })
+}
+
 pub(crate) async fn adopt_attribute_core(
     state: &AppState,
     kb_id: Uuid,
@@ -1419,7 +1456,16 @@ pub(crate) async fn adopt_attribute_core(
                 "nothing is waiting on those wordings",
             ));
         }
-        utopia_store::ontology::create_relation_type(
+        /* **datatype 由等着的那些值定，不听模型的。**
+        实测模型给 `valuation` 报的是 text，而等它的四个值全是
+        `$12 billion` 这样的量；存成 text 就比不了大小——而"能比大小"
+        正是这些数不该当节点的理由。手里有事实的时候不必去问判断题，
+        `keep_forms` 那里已经是同一个原则。
+        单位同理：几条值的单位一致就落在属性上（`$`、`%`、`people`）。 */
+        let inferred = quantity_shape(&facts);
+        let datatype = inferred.as_ref().map_or(spec.datatype, |_| "number");
+        let unit = inferred.as_deref().filter(|u| !u.is_empty()).or(spec.unit);
+        match utopia_store::ontology::create_relation_type(
             &state.pool,
             kb_id,
             spec.key,
@@ -1432,10 +1478,34 @@ pub(crate) async fn adopt_attribute_core(
             "attribute",
             &domains,
             &[],
-            Some(spec.datatype),
-            spec.unit,
+            Some(datatype),
+            unit,
         )
-        .await?
+        .await
+        {
+            Ok(id) => id,
+            /* 键被一个**空的**同名关系占着：改判它，别放弃。
+            实测就是这么卡住的——`Relation key 'valuation' already exists`，
+            然后 valuation 那几个数额永远没有谓词，而那条关系自己一条事实
+            都没有。有事实的不会被改判（判据在 store 那一侧的 SQL 里），
+            那种是本体与语料的真分歧，照旧报错留给人看 */
+            Err(e) => match utopia_store::ontology::attribute_from_unused_relation(
+                &state.pool,
+                kb_id,
+                spec.key,
+                &domains,
+                datatype,
+                unit,
+            )
+            .await?
+            {
+                Some(id) => {
+                    tracing::info!(%kb_id, key = spec.key, "空关系改判成属性");
+                    id
+                }
+                None => return Err(e),
+            },
+        }
     };
 
     // 换算按**库里那一条**的 datatype，不按请求——指向已有属性时请求里根本

crates/utopia-server/src/bootstrap_ontology.rs

@@ -203,9 +203,21 @@ pub async fn bootstrap_ontology(state: &AppState, kb_id: Uuid) -> anyhow::Result
         .filter(|f| f.doc_count >= MIN_DOCS)
         .collect();
     let types = utopia_store::resolution::proposed_types(&state.pool, kb_id).await?;
-    if forms.len() + types.len() < MIN_SIGNALS {
+    /* **字面值那一档也要算进来。**
+    `proposed_predicates` 只数宾语是实体的事实（它数的是"采纳要改写的东西"），
+    于是一个满是数额的语料在这里算出 predicates=0，整个自动扩本体被跳过，
+    下面那段建属性的代码一次都跑不到。实测：12 条带着 `valuation`、
+    `investment_amount` 等说法的值事实在库里等着，日志里只有一行
+    「够格的信号太少」。它们同样是"够不够一次 LLM 调用的量"的信号 */
+    let value_forms: Vec<_> = utopia_store::graph::proposed_attributes(&state.pool, kb_id)
+        .await?
+        .into_iter()
+        .filter(|f| f.doc_count >= MIN_DOCS)
+        .collect();
+    if forms.len() + types.len() + value_forms.len() < MIN_SIGNALS {
         tracing::debug!(
             %kb_id, predicates = forms.len(), types = types.len(),
+            values = value_forms.len(),
             "够格的信号太少，跳过自动扩本体"
         );
         return Ok(());

crates/utopia-server/src/extraction.rs

@@ -426,6 +426,21 @@ fn is_entity_name(name: &str) -> bool {
     {
         return false;
     }
+    /* **整体就是一个量的，不是一个东西**：`$5 billion`、`52%`、`3.5 million`。
+    上面那条部分格只接住 `745 of …`，接不住这些。
+
+    这道闸装在**这里**才管用。抽取那边也有一道（`looks_literal`），但它前面
+    挂着 `!known_predicate`：谓词一旦是本体里列出来的关系，整段判断直接跳过。
+    实测就是这么漏的——`hasAmount` 来自 FIBO 包、抽取前就在本体里，于是
+    `Microsoft hasAmount $1 billion` 里那个数额照样被造成了节点，
+    而同一个库里 `invested`（语料自己长的、当时还未知）走到了那道闸、被拦下。
+    `is_entity_name` 不问谓词，主语宾语一视同仁，两条路都过它。
+
+    判据仍旧从严（见 `parse_quantity`）：尾巴上有实词就不算，
+    `3M`、`7-Eleven`、`23andMe`、`2025 Atlantic hurricane season` 一个都不误伤。 */
+    if utopia_extract::parse_quantity(name).is_some() {
+        return false;
+    }
     true
 }
 
@@ -1556,6 +1571,23 @@ async fn run(state: &AppState, document_id: Uuid, proposer: Proposer) -> anyhow:
                 // 值在手上就收下，原词进 proposed_predicate，等本体采纳时再换谓词，
                 // 形状已经是对的（0010）
                 (Some(v), None | Some("")) => Some(v.clone()),
+                /* **宾语整体是一个量：一律当值收下**，不问谓词认不认识、
+                也不问模型有没有把它声明成实体。
+
+                下面那一档卡着 `!known_predicate`，理由是本体说得上话的时候
+                别去二猜模型。可量值这里没有可猜的余地：一个数额不会因为
+                谓词恰好在本体里就变成一个东西。实测漏的正是这一格——
+                `hasAmount` 来自 FIBO 包、抽取前就在本体里，
+                `Microsoft hasAmount $1 billion` 于是绕过下面那一档，
+                把数额造成了节点；同一个库里 `invested` 当时还未知，
+                走到下面那一档、被拦住了。同一个数额，两种下场。
+
+                收下而不是丢掉：`is_entity_name` 那道闸现在也拦纯量值，
+                不在这里接住的话，这条事实会连同那个数一起进丢弃表。
+                原词照旧进 `proposed_predicate`，采纳时再换谓词 */
+                (_, Some(o)) if utopia_extract::parse_quantity(o).is_some() => {
+                    Some(serde_json::Value::String(o.to_string()))
+                }
                 (_, Some(o))
                     if !o.is_empty()
                         && !known_predicate(f.predicate.as_str())
@@ -2736,6 +2768,32 @@ mod name_tests {
         }
     }
 
+    /// 一个数额不是一个东西。
+    ///
+    /// 样本取自实跑出来的库：`$5 billion`、`$1 billion`、`$30 billion` 各自成过节点，
+    /// 而且同名的会并成一个点——SSI Inc. 与 Nvidia 因为都出现过「$5 billion」
+    /// 在图上相连，那条路径没有任何含义。判据的窄处在**尾巴**：
+    /// 后面还有实词的一律放行，因为那时它说的就不再只是那个数。
+    #[test]
+    fn a_quantity_is_not_a_thing() {
+        for s in ["$5 billion", "€1.5 million", "52%", "3.5 million", "35,000"] {
+            assert!(!is_entity_name(s), "这是一个量，不该当成实体名：{s}");
+        }
+        // **以数字开头的真实体一个都不能误伤。** 量级词只认全写，所以 `3M` 解不动；
+        // 后面挂着实词的，尾巴那一条接住
+        for s in [
+            "3M",
+            "7-Eleven",
+            "23andMe",
+            "2025 Atlantic hurricane season",
+            "900 million weekly active users",
+            "1000 Islands",
+            "$10 billion investment",
+        ] {
+            assert!(is_entity_name(s), "这是真实体，不该被挡：{s}");
+        }
+    }
+
     /// **真实体会长，但不带谓语。** 判据是词数 + 限定动词，不是字符数——
     /// 下面第一个 57 字符，比上面那条 65 字符的从句还短不了多少
     #[test]

crates/utopia-store/src/ontology.rs

@@ -1251,6 +1251,45 @@ pub async fn relation_type_id_by_key(
     Ok(row.map(|(id,)| id))
 }
 
+/// 一个**从没当关系用过**的关系，改判成属性。改成了返回 true。
+///
+/// 冷启动认出某个说法该是属性、去建的时候，键可能已经被一个同名关系占着
+/// （实测：`Relation key 'valuation' already exists`，然后整批放弃，那些数
+/// 永远拿不到谓词）。可占着这个键的关系常常是空的——本体包带进来的、或者
+/// 早先按票数建的，一条事实都没挂上。空的关系改判不破坏任何东西：
+/// 没有边会因此断，撤销也只是再改回去。
+///
+/// **有事实的一律不动**。`invested`、`raised` 这类既连实体又带数额的，
+/// 改判会把已有的边连根拔起；那是本体与语料的真分歧，该留给人看，
+/// 不该由冷启动替人决定。
+pub async fn attribute_from_unused_relation(
+    pool: &PgPool,
+    kb_id: Uuid,
+    key: &str,
+    domains: &[Uuid],
+    datatype: &str,
+    unit: Option<&str>,
+) -> AppResult<Option<Uuid>> {
+    validate_attribute_fields("attribute", domains, Some(datatype))?;
+    let row: Option<(Uuid,)> = sqlx::query_as(
+        "UPDATE relation_types SET kind = 'attribute', datatype = $3, unit = $4,
+                inverse_of = NULL, sub_property_of = NULL
+         WHERE kb_id = $1 AND key = $2 AND kind = 'relation'
+           AND NOT EXISTS (SELECT 1 FROM facts f WHERE f.predicate_id = relation_types.id)
+         RETURNING id",
+    )
+    .bind(kb_id)
+    .bind(key)
+    .bind(datatype)
+    .bind(unit)
+    .fetch_optional(pool)
+    .await?;
+    let Some((id,)) = row else { return Ok(None) };
+    // domain / range 在各自的表里，不是列。属性没有 range——值域落在 datatype 上
+    set_domains_ranges(pool, id, domains, &[]).await?;
+    Ok(Some(id))
+}
+
 /// 一个属性声明的 datatype。改写字面值事实时要按它换算。
 ///
 /// 以**库里这一条**为准而不是以请求为准：指向已有属性时请求里根本没有